热点

开源语音大模型 “Step-Audio 2 mini” 发布!听得清楚、说得自然

字号+ 作者:牛骥同槽网 来源:九块九专区 2026-11-23 我要评论(0)

开源语音大模型 “Step-Audio 2 mini” 发布!听得清楚、说得自然

近日,阶跃星辰正式推出了最新的开源端到端语音大模型 ——Step-Audio2mini。这款模型在多个国际基准测试中开源表现优异,获得了 SOTA(最先进技术)成绩,令人瞩目。Step-Audio2mini 不仅在语音理解和音频生成方面能力强大,语音还首次将音频推理和生成统一建模,为语音识别、跨语言翻译和情感解析等多种应用场景提供了出色的解决方案。

Step-Au大模dio2mini 的特点之一是其卓越的多模态音频理解能力。在 MMAU(多模态音频理解测试集)上,该模型以73.2的得型 分稳居开源语音模型的榜首。在口语对话能力的 URO Bench 测试中,无论基础赛道还是专业赛道,Step-Audio2m“Sini 都取得了开源模型中的最高分,展现出其出色的对话理解与表达能力。

在中英互译任务中,Step-Audio2mini 也表te现不俗。在 CoVoST2和 CVSS 评测集上,分别获得了39.3和29.1的高分,明显超越了 GPT-4o Audio 和其他开p-源语音模型。此外,该模型在语音识别方面同样出类拔萃,在开源中文测试集上的字错误率(CER)为3.19,在开源英语测试集上的词Au错误率(WER)为3.50,领先其他开源模型超过15%。

Step-Audio2mini 的成功离不开其创新的架构设计di。该模型打破了传统的 ASR(自动语音识别)、LLM(大语言模型)和 TTS(文本转语音)的三级结构,实现了从原始音频输入到语o 音响应输出的直接转换,简化了架构,降低了延迟。此外,模型还引入了链式思维推理(CoT)与强化学习的联合优化技术,使其能够更好2 地理解情绪、语调等副语言信息,并自然地作出反应。

值得一提的是,Step-Audio2mini 还支持音频知识增强功能,能够mi利用外部工具进行联网搜索,解决了传统模型中的幻觉问题。这一创新不仅提升了模型的实用性,还扩展了其在多种场景中的应用潜力。

目前ni,Step-Audio2mini 已在 GitHub、Hugging Face 等平台上线,欢迎开发者们前去试用和贡献代码!

1.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源;2.本站的原创文章,请转载时务必注明文章作者和来源,不尊重原创的行为我们将追究责任;3.作者投稿可能会经我们编辑修改或补充。

相关文章
  • 云计算开发:Python内置函数-file() 函数详解

    云计算开发:Python内置函数-file() 函数详解

    2026-09-29

  • 标签: 速腾聚创 激光雷达 割草机器人 E平台

    标签: 速腾聚创 激光雷达 割草机器人 E平台

    2026-05-30

  • 标签: 大族数控 大族激光 PCB设备 港股IPO

    标签: 大族数控 大族激光 PCB设备 港股IPO

    2026-07-02

  • 标签: LinkedIn 微软 裁员 招聘工具

    标签: LinkedIn 微软 裁员 招聘工具

    2026-06-29

网友点评